Întreținerea predictivă în sistemele HVAC cu ajutorul senzorilor de presiune diferențială

Întreținerea predictivă în sistemele HVAC cu ajutorul senzorilor de presiune diferențială

Integrarea senzorilor de presiune diferențială permite implementarea întreținerii predictive în sistemele HVAC. Care sunt principiile tehnice care stau la baza utilizării acestor senzori în aplicații de întreținere predictivă? Acest aspect, precum și mecanismele fizice ale modurilor de defectare ale filtrelor și ventilatoarelor, sunt explicate în continuare.

Sistemele de încălzire, ventilație și climatizare (HVAC) sunt „motoarele metabolice” ale infrastructurii moderne, reprezentând aproape 40% din consumul global de energie al clădirilor [1] (Figura 1). Pe măsură ce industria trece de la strategii de întreținere reactivă la strategii de întreținere predictivă, rolul tehnologiei senzorilor se schimbă: de la simpla monitorizare la inteligență activă. Acest articol explorează principiile inginerești care stau la baza utilizării senzorilor de presiune diferențială pentru întreținerea predictivă, detaliind mecanismele fizice ale modurilor de defectare ale filtrelor și ventilatoarelor.

Figura 1: Sistemele HVAC consumă, de obicei, aproape 40% din energia totală a unei clădiri de birouri. (Sursă: Würth Elektronik eiSos)

De asemenea, articolul analizează integrarea Edge AI și TinyML pentru procesarea locală a datelor de presiune eșantionate continuu, cu scopul de a reduce latența și de a maximiza sustenabilitatea.

Prin transformarea unităților pasive de tratare a aerului în sisteme inteligente, cu autodiagnosticare, administratorii de clădiri pot obține economii de energie de 15–30%, prelungind, în același timp, ciclul de viață al echipamentelor cu până la 40% [2; 4].

Beneficiile sistemelor HVAC inteligente

Mediul clădirilor trece printr-o transformare digitală determinată de două forțe convergente: nevoia urgentă de decarbonizare și costurile operaționale în creștere ale infrastructurii vechi. Clădirile comerciale sunt cunoscute pentru nivelul ridicat de ineficiență energetică. Agenția Internațională pentru Energie (IEA – International Energy Agency) estimează că sistemele HVAC consumă aproximativ 40% din energia totală a unei clădiri, o parte semnificativă fiind irosită din cauza filtrelor murdare, a scurgerilor din conducte și a calibrării defectuoase sau instabile a actuatoarelor [1].

În mod tradițional, managementul facilităților s-a bazat pe două modele principale de întreținere:

1. Întreținere preventivă (PM – Preventive Maintenance): o abordare bazată pe planificare, în care componentele sunt înlocuite la intervale fixe – de exemplu, „înlocuirea filtrelor la fiecare 90 de zile”. Acest lucru duce adesea fie la eliminarea unor componente perfect funcționale, generând deșeuri, fie, dimpotrivă, permite unui sistem să funcționeze ineficient dacă apare o defecțiune între două intervale de service.
2. Întreținerea corectivă (CM – Corrective Maintenance): modelul „funcționare până la defectare” („run-to-failure”). Reparațiile sunt inițiate doar după apariția unei avarii grave, ceea ce duce la perioade costisitoare de nefuncționare, intervenții de urgență și disconfort pentru utilizatori.
3. Întreținerea predictivă (Predictive Maintenance – PdM) reprezintă evoluția acestor modele în contextul Industriei 4.0 (Figura 2). Prin implementarea unei rețele de senzori – în special senzori de presiune diferențială – inginerii pot capta în timp real „semnătura de sănătate” a sistemului. Această abordare bazată pe date permite efectuarea întreținerii exact atunci când este necesar, optimizând echilibrul dintre performanța echipamentului și durata de viață utilă rămasă (RUL – Remaining Useful Life).

Fizica fluxului de aer și modurile de defectare

Figura 2: Întreținerea predictivă reduce costurile operaționale totale și timpii de nefuncționare neașteptați. (Sursă: Würth Elektronik eiSos)

Pentru a înțelege de ce presiunea diferențială (∆P) este principalul indicator al stării de funcționare a sistemelor HVAC, trebuie analizată dinamica fluidelor care guvernează unitățile de tratare a aerului (AHU – Air Handling Units). Deși senzorii de vibrații sunt excelenți pentru detectarea defectelor la rulmenții motoarelor, aceștia nu pot identifica blocajele fluxului de aer, saturarea filtrelor sau pierderile de presiune. Senzorii de presiune diferențială acoperă această lacună prin măsurarea diferenței de energie potențială dintre două puncte ale traseului fluxului de aer.

Paradoxul filtrului: Bernoulli și blocarea fluxului de aer

Filtrele de aer reprezintă prima linie de apărare într-un sistem HVAC. Pe măsură ce acestea captează particule (PM2,5, PM10), porozitatea lor scade. Conform principiului lui Bernoulli și ecuației Darcy-Weisbach, pe măsură ce restricția la curgere crește, căderea de presiune pe filtru crește pentru un debit constant.

Într-un sistem cu volum constant, un filtru înfundat introduce o rezistență ridicată la curgerea aerului. Ventilatorul trebuie să depună mai mult efort (W = ∆P × Q) pentru a menține același debit de aer (Q), ceea ce duce la o creștere puternică a consumului de energie (Figura 3).

• Etapa 1 (Filtru nou): ∆P scăzută, curgere laminară/stabilă, cu pierderi reduse.
• Etapa 2 (Captare optimă): Creștere liniară a ∆P pe măsură ce se formează stratul de praf. Acesta este momentul în care filtrul este cel mai eficient în captarea particulelor.
• Etapa 3 (Saturație critică): Creștere accelerată/exponențială a ∆P. Curentul motorului ventilatorului crește, iar debitul de aer poate scădea sub pragul necesar pentru schimbul termic, provocând înghețarea sau supraîncălzirea serpentinei.

Figura 3: Diferența de presiune măsurată de o parte și de alta a filtrului indică starea acestuia. (Sursă: Würth Elektronik eiSos)

O înlocuire simplă, bazată pe temporizare, nu ține cont de aceste dinamici. Un proiect de construcție din vecinătate poate înfunda un filtru în două săptămâni, în timp ce, într-un mediu curat, același filtru poate funcționa șase luni. Numai un senzor ∆P poate detecta această realitate.

Debit volumetric și instabilitatea fluxului de aer la nivelul ventilatorului

În sistemele cu volum de aer variabil (VAV – Variable Air Volume), menținerea presiunii statice în conducte este esențială. „Factorul K” este o constantă specifică fiecărui con de admisie al ventilatorului, care leagă presiunea diferențială de debitul volumetric de aer:

Figura 4: O scădere a ∆P la nivelul ventilatorului indică probleme grave. (Sursă: Würth Elektronik eiSos)

Prin măsurarea presiunii diferențiale la nivelul conului de admisie al ventilatorului, sistemul poate calcula volumul exact de aer furnizat (m³/h) (Figura 4). Anomaliile apărute aici indică probleme grave:

• Instabilitatea fluxului de aer la nivelul ventilatorului: Dacă ∆P oscilează rapid la o frecvență specifică, acest lucru indică o instabilitate aerodinamică a fluxului de aer, care poate deteriora fizic palele ventilatorului.
• Alunecarea curelei: O scădere a ∆P la nivelul ventilatorului, în ciuda turației ridicate a motorului, indică o curea de transmisie slăbită sau care alunecă.

Presurizarea încăperilor

Dincolo de camera tehnică, presiunea diferențială este un parametru esențial pentru siguranță în domeniul medical și în producția de semiconductori.

• Presiune negativă (camere de izolare medicală): asigură faptul că agenții patogeni nu se răspândesc în coridor (∆P < 0).
• Presiune pozitivă (săli de operație): împiedică pătrunderea contaminanților în câmpul steril (∆P > 0).

Senzorii atmosferici standard nu au rezoluția necesară pentru aceste aplicații, care impun adesea detectarea unor diferențe de presiune de numai 5–10 pascali.

Precizie la scară micrometrică

Hardware-ul care face posibilă această revoluție a evoluat de la comutatoare mecanice voluminoase la structuri din siliciu la scară micrometrică.

Senzori termici de debit masic vs. senzori de presiune MEMS

Inginerii compară adesea senzorii termici de debit masic cu senzorii de presiune diferențială.

• Senzorii termici de debit masic funcționează prin încălzirea unui microfir și măsurarea transferului de căldură către aerul aflat în mișcare. Deși sunt preciși, aceștia sunt foarte sensibili la contaminare. Un strat de praf depus pe elementul de încălzire îl izolează termic, provocând derivă și citiri eronate; în cazuri mai grave, particulele de praf pot obstrucționa canalul de aer, ducând la defectarea senzorului.
• Senzorii de presiune MEMS (piezorezistivi) utilizează o membrană de siliciu cu mărci tensometrice integrate. Presiunea aerului deformează membrana, modificând rezistența punții Wheatstone. Un aspect important este că aerul nu curge prin senzor, ci exercită presiune asupra acestuia într-o configurație închisă, fără trecere de aer. Acest lucru face ca senzorii de presiune MEMS să fie mult mai rezistenți la praf și umiditate, deoarece acumularea de particule pe membrană afectează rareori în mod semnificativ proprietățile de deformare mecanică. Totuși, această acumulare poate influența timpul de răspuns al senzorului.

Avantajul digital

Senzorii MEMS moderni integrează lanțul de semnal direct în carcasă, ceea ce oferă un avantaj important față de senzorii MEMS convenționali, cu ieșire exclusiv analogică:

1. Integrare ASIC: Semnalul analogic brut, de ordinul milivolților, este amplificat, apoi convertit în format digital de un convertor analog-digital (ADC).
2. Calibrare DSP: Un procesor de semnal digital (DSP) integrat aplică factori de corecție polinomiali pentru liniaritate și temperatură. Acest lucru este esențial, deoarece senzorii de deformare din siliciu sunt sensibili la temperatură; fără compensare, o mansardă caldă ar indica valori diferite față de un subsol rece, pentru aceeași presiune.
3. Interfață directă: Datele sunt transmise prin I²C sau SPI, eliminând necesitatea unor circuite analogice front-end complexe pe placa de circuit imprimat gazdă.

Figura 5: Senzorii MEMS digitali furnizează date calibrate, cu zgomot redus și fără derivă, ideale pentru monitorizarea precisă în timp real. (Sursă: Würth Elektronik eiSos)

Senzorii MEMS digitali furnizează date calibrate, cu zgomot redus și fără derivă, ideale pentru monitorizarea precisă în timp real. Stabilitatea lor îi face potriviți pentru aplicații de întreținere predictivă bazate pe AI la marginea rețelei (edge AI) (Figura 5).

Seria Würth Elektronik WSEN-PDMS [3] utilizează un principiu de detecție piezorezistiv MEMS și oferă ieșiri digitale/analogice pe 16 biți, precizie ridicată, de până la ±0,25% FSS, și interfețe precum I²C/SPI. Aceste caracteristici o fac extrem de potrivită pentru aplicații HVAC, monitorizarea filtrelor și detectarea scurgerilor (Figura 6).

Figura 6: Senzorul de presiune diferențială WSEN-PDMS de la Würth Elektronik integrează un senzor piezorezistiv MEMS, ieșiri digitale/analogice pe 16 biți și interfețe precum I²C/SPI. (Sursă: Würth Elektronik eiSos)

Ieșirea complet calibrată, senzorul de temperatură încorporat și intervalele largi de presiune, de la ±1 kPa la 1000 kPa, asigură date fiabile, pregătite pentru AI, necesare monitorizării pe termen lung a stării echipamentelor.

Edge AI și TinyML

Cel mai semnificativ progres recent este migrarea inteligenței din cloud către marginea rețelei – direct pe senzor sau pe microcontrolerul local (MCU). Această abordare este adesea asociată cu TinyML.

Un senzor de presiune cu o frecvență de eșantionare de 1 kHz generează cantități enorme de date. Transmiterea continuă a formelor de undă brute către cloud pentru analiză este costisitoare, atât din punctul de vedere al lățimii de bandă și al stocării, cât și al consumului de energie: transmisia radio consumă de aproximativ 1000 de ori mai multă energie decât procesarea locală. În plus, latența poate împiedica protecția în timp real împotriva unor variații bruște și severe ale presiunii.

Implementarea algoritmilor TinyML

Prin rularea unor modele ușoare de Machine Learning pe un microcontroler Cortex-M0 sau Cortex-M4, procesarea datelor se face local, iar către sistemele superioare sunt transmise doar informațiile relevante.

Extragerea caracteristicilor

În loc să transmită valori brute ale presiunii, microcontrolerul calculează caracteristici statistice pe intervale succesive de timp – de exemplu, la fiecare 10 secunde

• RMS (Root Mean Square): Reprezintă energia totală a semnalului de presiune.
• Kurtosis: Detectează “vârfuri” sau șocuri tranzitorii în fluxul de aer.
• FFT (Transformata Fourier Rapidă): Convertește semnalul de presiune din domeniul timp în domeniul frecvenței. Aceasta este una dintre cele mai importante metode de diagnosticare. Un ventilator echilibrat generează un impuls de presiune la frecvența fundamentală de rotație (1× RPM). O pală deteriorată sau un rulment defect va introduce armonici (2×, 3×) sau benzi laterale în spectrul de presiune.

Detectarea anomaliilor prin învățare nesupravegheată

Pentru aplicațiile HVAC, arhitecturile TinyML de tip Isolation Forest sau autoencoder sunt utilizate frecvent pentru detectarea anomaliilor.

1. Faza de antrenare: Senzorul “învață” semnătura normală de presiune a configurației specifice a conductelor în prima săptămână de funcționare, stabilind astfel linia de bază.
2. Faza de inferență: Modelul evaluează continuu datele primite. Dacă dinamica presiunii se abate de la intervalul învățat – de exemplu, din cauza unei clapete de reglaj care vibrează, adică oscilează rapid, în loc să rămână stabilă – sistemul semnalează o anomalie.

Exemplu:  O alarmă standard bazată pe praguri se declanșează doar dacă presiunea depășește 500 Pa. Un model Edge AI ar detecta însă o clapetă de reglaj blocată în cazul în care presiunea ar fi trebuit să se modifice în timpul accelerării ventilatorului, dar acest lucru nu s-a întâmplat. Această corelație subtilă este invizibilă pentru logica simplă bazată pe praguri, dar evidentă pentru o inteligență artificială antrenată pe comportamentul fizic al sistemului.

Modernizare wireless

Majoritatea clădirilor existente nu vor fi recablate. Prin urmare, modernizarea wireless reprezintă principala cale de implementare pentru întreținerea predictivă (PdM). Alegerea protocolului depinde în mare măsură de topologia specifică a clădirii și de cerințele privind volumul de date. Würth Elektronik oferă module specializate, potrivite atât pentru implementări pe distanțe mari, la nivel de campus, cât și pentru monitorizare la distanță prin rețele celulare.

LoRaWAN pentru acoperire la nivel de campus și în spații interioare greu accesibile

Pentru facilități mari, cum ar fi spitalele, universitățile sau clădirile de birouri înalte, LoRaWAN este adesea protocolul preferat datorită capacității excelente de penetrare prin beton și consumului foarte redus de energie.

Modulul Würth Elektronik DAPHNIS-I este un candidat ideal pentru aceste noduri de senzori de tip „set-and-forget”. Bazat pe cipul STM32WLE5CCU6, acesta este optimizat pentru senzori de presiune diferențială alimentați cu baterii, care pot rămâne în plenumul tavanului ani de zile fără întreținere.

• Eficiență energetică: Cu un curent de repaus de numai 63,9 nA, modulul asigură faptul că bugetul energetic este dominat de citirile senzorilor, nu de starea de așteptare a emițătorului radio.
• Flexibilitate la nivel de protocol: Modulul este compatibil cu standardul LoRaWAN 1.0.4 pentru rețele publice, dar permite și configurații P2P sau mesh proprietare, utile pentru bucle de control locale – de exemplu, un senzor care comandă direct închiderea unei clapete, fără a trece prin serverul cloud.
• Acoperire: Puterea de ieșire de 13,4 dBm asigură o transmisie fiabilă a datelor chiar și din subsoluri sau din camere tehnice ecranate.

IoT celular (NB-IoT/LTE-M) pentru active distribuite

Atunci când sunt monitorizate active dispersate – cum ar fi unitățile HVAC dintr-un lanț de magazine de retail sau stațiile de utilități – folosirea unui gateway local este adesea impracticabilă. În aceste scenarii, IoT-ul celular permite senzorului să se conecteze direct la infrastructura de telecomunicații.

Modulul Würth Elektronik ADRASTEA-I oferă o soluție robustă în acest sens, fiind compatibil atât cu LTE-M, cât și cu NB-IoT.

• Pregătit pentru inteligență la marginea rețelei: Spre deosebire de modemurile simple, ADRASTEA-I integrează un microcontroler ARM Cortex-M4 disponibil pentru aplicația utilizatorului, cu 1 MB de memorie Flash. Acest lucru permite inginerilor să ruleze algoritmii TinyML, descriși anterior, direct pe modulul de comunicații, economisind spațiu pe placă și reducând costurile.
• Suport multi-bandă: Dispozitivul acoperă o gamă largă de benzi globale (B3, B8, B20, B28 etc.), ceea ce îl face potrivit pentru produse destinate exportului internațional.

• Localizare globală: Sistemul GNSS integrat (GPS/GLONASS) este deosebit de util pentru unitățile mobile de climatizare – de exemplu, răcitoarele mobile închiriate temporar – sau pentru localizarea automată a senzorilor în timpul instalării, simplificând astfel hărțile de gestionare a activelor.

Modbus wireless pentru control local

Pentru modernizarea sistemelor VAV în care logica de control există deja, dar infrastructura de cablare este problematică, tehnologii precum Modbus wireless pot acoperi această lacună. În timp ce LoRaWAN și NB-IoT se conectează la cloud, Modbus wireless, adesea implementat prin rețele mesh proprietare de 2,4 GHz, permite noilor senzori wireless să comunice direct cu PLC-urile existente.

Sustenabilitate și rentabilitatea investiției

Argumentele economice în favoarea întreținerii predictive sunt solide și se bazează pe trei piloni: energie, durată de viață și costuri cu manopera.

Eficiența energetică

Departamentul Energiei al SUA estimează că întreținerea predictivă poate reduce costurile energetice cu 15–30% [2].

• Filtre murdare: Un filtru cu o cădere de presiune dublă impune ventilatorului un consum de putere aproximativ dublu, conform legilor simplificate ale ventilatoarelor. Înlocuirea filtrului la momentul optim elimină această sarcină suplimentară inutilă.
• Conducte cu scurgeri: Scurgerile reprezintă, în esență, o risipă a energiei ventilatorului. Detectarea unei rate de scurgere de 10% prin monitorizarea diferenței de presiune împiedică ventilatorul să funcționeze la turație excesivă pentru a compensa pierderile.
• Eficiența transferului de căldură: Un flux de aer adecvat asigură funcționarea schimbătoarelor de căldură, respectiv a serpentinelor, în intervalul de temperatură pentru care au fost proiectate. Un flux de aer redus determină funcționarea intermitentă, în cicluri scurte, a răcitorului sau a cazanului, ceea ce afectează puternic eficiența.

Durata de viață a echipamentelor și amprenta de carbon

Înlocuirea unui motor de ventilator industrial de mari dimensiuni nu reprezintă doar un cost financiar, ci și un cost de carbon, prin carbonul încorporat în cupru, oțel și transport. Datele indică faptul că PdM poate prelungi durata de viață a echipamentelor cu 20–40% [5]. Prin prevenirea „spiralei morții” a stresului mecanic – în care un mic dezechilibru duce la vibrații, vibrațiile distrug rulmenții, iar deteriorarea rulmenților afectează arborele – senzorii protejează activul. Acest lucru se aliniază perfect cu principiile economiei circulare: menținerea produselor în uz pentru o perioadă mai lungă.

Costuri de intervenție

În era post-pandemică, tehnicienii calificați pentru întreținerea instalațiilor sunt tot mai greu de găsit. PdM elimină „rundele de inspecție” – deplasările prin clădire pentru verificarea indicatoarelor. Tehnicienii intervin numai atunci când un senzor confirmă o defecțiune și au încă de la început datele corecte, de exemplu: „Filtru AHU-4 înfundat”, în loc să investigheze o sesizare vagă de tipul „este prea cald”.

Întreținerea predictivă: cheia eficienței

Tranziția către întreținerea predictivă în domeniul HVAC nu reprezintă doar o actualizare tehnologică; este o schimbare fundamentală a modului în care gestionăm mediul interior al clădirilor. La baza acestei schimbări se află senzorul de presiune diferențială – o componentă care transformă dinamica invizibilă a fluxului de aer în informații digitale utile.

Prin combinarea elementelor de detecție MEMS robuste cu inteligența Edge AI și conectivitatea LPWAN, inginerii pot construi sisteme care nu sunt doar fiabile, ci și mult mai sustenabile. Într-o lume care se străduiește să atingă obiectivul Net Zero, „ascultarea respirației” clădirilor noastre cu ajutorul senzorilor de presiune este unul dintre cei mai eficienți pași pe care îi putem face.

Autori: Ninad Mehta, Adithya Madanahalli
Würth Elektronik eiSos

Despre autori:

Ninad Mehta deține o diplomă de master în Micro și Nano Sisteme de la Universitatea Tehnică din Chemnitz, Germania, și s-a specializat în senzori pe bază de grafen. A lucrat pentru o scurtă perioadă ca asistent examinator de brevete la Oficiul European de Brevete. S-a alăturat echipei Würth Elektronik eiSos în 2018, în calitate de manager de produs, unde coordonează dezvoltarea senzorilor de presiune și temperatură.

Adithya Madanahalli a absolvit Universitatea Tehnică din München cu o diplomă de master în Ingineria Comunicațiilor. Ulterior, a lucrat timp de mai mulți ani ca inginer software în domeniul conectivității wireless și al senzorilor. Din 2017, Madanahalli este inginer IoT la Würth Elektronik eiSos, în cadrul diviziei de conectivitate wireless și senzori. Acolo este specializat în proiectarea și dezvoltarea de soluții IoT, cu accent pe hardware, software embedded și securitate end-to-end.

Würth Elektronik eiSos

Referințe

[1] International Energy Agency (IEA), “The Future of Cooling,” 2018: https://www.iea.org/reports/the-future-of-cooling
[2] US Department of Energy, “Operations & Maintenance Best Practices: A Guide to Achieving Operational Efficiency.” https://www.pnnl.gov/main/publications/external/technical_reports/pnnl-19634.pdf
[3] Würth Elektronik differential pressure sensors: “WSEN-PDMS series”: https://www.we-online.com/de/components/products/WSEN-PDMS
[4] American Society of Heating, Refrigerating and Air-Conditioning Engineers, 2015 ASHRAE Handbook: Heating, Ventilating, and Air-Conditioning Applications (I‑P Edition). ASHRAE, 2015.
[5] M. Arowolo, “Predictive Maintenance of Energy-Intensive Industrial Equipment Using IoT and Machine Learning Technologies,” IOSR Journal of Mechanical and Civil Engineering (IOSR‑JMCE), vol. 22, no. 3, ser. 3, pp. 14–26, May–June 2025.  https://www.iosrjournals.org/iosr-jmce/papers/vol22-issue3/Ser-3/C2203031426.pdf

Glosar de termeni

• Sisteme HVAC și parametri de funcționare

HVAC – Sistem de încălzire, ventilație și climatizare, utilizat pentru controlul temperaturii, calității aerului și confortului interior în clădiri.
Întreținere predictivă (PdM) – Strategie de întreținere bazată pe date, prin care starea echipamentelor este monitorizată continuu pentru a anticipa defectele înainte ca acestea să producă opriri sau costuri mari.
Presiune diferențială (∆P) – Diferența de presiune dintre două puncte ale unui sistem. În aplicațiile HVAC, este utilizată pentru monitorizarea filtrelor, debitului de aer, scurgerilor și stării ventilatoarelor.
AHU (Air Handling Unit) – Unitate de tratare a aerului, utilizată în clădiri pentru filtrarea, încălzirea, răcirea, umidificarea sau distribuția aerului.
VAV (Variable Air Volume) – Sistem HVAC cu volum de aer variabil, în care debitul de aer este ajustat în funcție de necesarul de climatizare al diferitelor zone ale clădirii.
Plenumul tavanului – Spațiul tehnic aflat deasupra plafonului fals, utilizat adesea pentru cabluri, conducte, senzori și componente HVAC.

• Senzori și măsurare

MEMS – Tehnologie microelectromecanică utilizată pentru realizarea unor senzori miniaturizați, inclusiv senzori de presiune, accelerație sau debit.
Senzor piezorezistiv – Senzor care detectează deformarea unei membrane prin modificarea rezistenței electrice a unor elemente sensibile integrate.
Punte Wheatstone – Circuit electric utilizat pentru măsurarea variațiilor foarte mici de rezistență, frecvent întâlnit în senzori de presiune și mărci tensometrice.
Derivă – Modificare lentă a valorii măsurate de un senzor în timp, chiar dacă mărimea fizică reală rămâne constantă.

• Edge AI, TinyML și analiza semnalelor

Edge AI – Procesarea algoritmilor de inteligență artificială aproape de sursa datelor, de exemplu pe senzor, modul sau microcontroler, fără trimiterea permanentă a datelor brute către cloud.
TinyML – Rularea unor modele de machine learning foarte compacte pe dispozitive cu resurse limitate, cum ar fi microcontrolerele.
RMS (Root Mean Square) – Valoare statistică utilizată pentru a exprima energia totală a unui semnal variabil.
FFT (Fast Fourier Transform) – Metodă matematică prin care un semnal este convertit din domeniul timp în domeniul frecvenței, fiind utilă pentru detectarea vibrațiilor, armonicilor și anomaliilor.
Isolation Forest – Algoritm de machine learning utilizat pentru detectarea anomaliilor, prin identificarea datelor care se abat de la comportamentul normal.
Autoencoder – Model de machine learning care învață să reconstruiască date normale; abaterile mari între datele originale și cele reconstruite pot indica anomalii.

• Comunicații wireless și conectivitate industrială

LoRaWAN – Protocol wireless de comunicație cu rază lungă și consum redus de energie, potrivit pentru senzori IoT alimentați cu baterii.
NB-IoT / LTE-M – Tehnologii de comunicație celulară optimizate pentru aplicații IoT, cu consum redus de energie și acoperire extinsă.
LPWAN – Rețea wireless cu rază lungă și consum redus, utilizată pentru conectarea dispozitivelor IoT care transmit cantități mici de date.
GNSS – Sistem global de navigație prin satelit, care include tehnologii precum GPS și GLONASS.
Modbus wireless – Variantă de comunicație fără fir bazată pe principiile protocolului Modbus, utilizată pentru integrarea senzorilor și controlerelor industriale fără cablare suplimentară.
PLC – Controler logic programabil, utilizat pentru automatizarea proceselor industriale și a sistemelor tehnice din clădiri.